論文の概要: RSSOD-Bench: A large-scale benchmark dataset for Salient Object
Detection in Optical Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2306.02351v1
- Date: Sun, 4 Jun 2023 13:01:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 18:29:04.313744
- Title: RSSOD-Bench: A large-scale benchmark dataset for Salient Object
Detection in Optical Remote Sensing Imagery
- Title（参考訳）: rssod-bench:光リモートセンシング画像における物体検出のための大規模ベンチマークデータセット
- Authors: Zhitong Xiong, Yanfeng Liu, Qi Wang, Xiao Xiang Zhu
- Abstract要約: 光学式リモートセンシング画像におけるSODのためのRSSOD-Benchデータセットについて述べる。
このデータセットは、建物、湖、川、高速道路、橋、航空機、船、運動場など、様々な有能な分野のアノテーションを提供する。
既存のデータセットとは異なり、RSSOD-Benchはシーンカテゴリにまたがる均一な分散を提供する。
- 参考スコア（独自算出の注目度）: 29.517746315185576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the RSSOD-Bench dataset for salient object detection (SOD) in
optical remote sensing imagery. While SOD has achieved success in natural scene
images with deep learning, research in SOD for remote sensing imagery (RSSOD)
is still in its early stages. Existing RSSOD datasets have limitations in terms
of scale, and scene categories, which make them misaligned with real-world
applications. To address these shortcomings, we construct the RSSOD-Bench
dataset, which contains images from four different cities in the USA. The
dataset provides annotations for various salient object categories, such as
buildings, lakes, rivers, highways, bridges, aircraft, ships, athletic fields,
and more. The salient objects in RSSOD-Bench exhibit large-scale variations,
cluttered backgrounds, and different seasons. Unlike existing datasets,
RSSOD-Bench offers uniform distribution across scene categories. We benchmark
23 different state-of-the-art approaches from both the computer vision and
remote sensing communities. Experimental results demonstrate that more research
efforts are required for the RSSOD task.
- Abstract（参考訳）: 光学式リモートセンシング画像におけるSODのためのRSSOD-Benchデータセットについて述べる。
SODは深層学習による自然景観画像で成功しているが、SODにおけるリモートセンシング画像(RSSOD)の研究はまだ初期段階にある。
既存のrssodデータセットにはスケールやシーンのカテゴリの制限があり、現実のアプリケーションと不一致している。
これらの欠点に対処するため、米国内の4つの異なる都市の画像を含むRSSOD-Benchデータセットを構築した。
このデータセットは、建物、湖、川、高速道路、橋、航空機、船、運動場など、様々な有能な分野のアノテーションを提供する。
rssod-benchのサルエントオブジェクトは、大規模なバリエーション、バラバラな背景、異なる季節を示す。
既存のデータセットとは異なり、RSSOD-Benchはシーンカテゴリ間で均一な分散を提供する。
コンピュータビジョンとリモートセンシングコミュニティの両方から23種類の最先端アプローチをベンチマークする。
実験の結果,RSSODタスクにはさらなる研究努力が必要であることが示された。
関連論文リスト
- IndraEye: Infrared Electro-Optical UAV-based Perception Dataset for Robust Downstream Tasks [1.629670808239867]
本稿では,各種タスク用に設計されたマルチセンサ(EO-IR)データセットであるIndraEyeデータセットを紹介する。
画像は5,612枚と145,666枚で、複数の視角、高度、7つの背景、インド亜大陸を横断する異なる時間を含む。
このデータセットは、マルチモーダル学習、オブジェクトの検出とセグメンテーションのためのドメイン適応、センサー固有の強度と弱点の探索など、いくつかの研究機会を開く。
論文 参考訳（メタデータ） (2024-10-28T12:12:28Z) - A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-04-22T23:49:44Z) - An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。
RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。
RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
論文 参考訳（メタデータ） (2022-04-06T13:38:11Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳（メタデータ） (2021-05-07T03:49:26Z) - TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。
私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。
データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
論文 参考訳（メタデータ） (2020-11-18T09:32:24Z) - A Parallel Down-Up Fusion Network for Salient Object Detection in
Optical Remote Sensing Images [82.87122287748791]
光リモートセンシング画像(RSI)における有意な物体検出のための新しい並列ダウンアップフュージョンネットワーク(PDF-Net)を提案する。
In-pathの低レベル・高レベルな特徴とクロスパスの多解像度な特徴をフル活用して、多様なスケールのサルエントオブジェクトを識別し、散らかった背景を抑える。
ORSSDデータセットの実験により、提案したネットワークは定性的かつ定量的に最先端のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T05:27:57Z) - RGB-D Salient Object Detection: A Survey [195.83586883670358]
様々な観点からRGB-Dに基づくSODモデルを総合的に調査する。
また、このドメインからSODモデルと人気のあるベンチマークデータセットもレビューします。
今後の研究に向けたRGB-DベースのSODの課題と方向性について論じる。
論文 参考訳（メタデータ） (2020-08-01T10:01:32Z) - EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios
using Aerial Imagery [3.8902657229395894]
航空画像における物体方向情報を用いた多種多様な車両検出のための大規模データセットを提案する。
様々なカメラセンサー、解像度、飛行高度、天候、照明、ヘイズ、シャドウ、時間、都市、国、オクルージョン、カメラアングルを備えた、さまざまな現実世界の状況からなる高解像度の空中画像が特徴である。
215,986のインスタンスに4つのポイントと向きで定義された向き付きバウンディングボックスがアノテートされており、このタスクでこれまでで最大のデータセットとなっている。
また、ヘイズやシャドウ除去の研究や、超高解像度やインペイントの応用も支援している。
論文 参考訳（メタデータ） (2020-07-12T23:00:30Z) - SCRDet++: Detecting Small, Cluttered and Rotated Objects via
Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
小さくて散らばった物体は実世界では一般的であり、検出は困難である。
本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。
機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
論文 参考訳（メタデータ） (2020-04-28T06:03:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。